A Bayesian Approach for the Network Reconstruction of Interdependent Critical Infrastructure Systems from Cascading Failures

Resumo Técnico: Uma Abordagem Bayesiana para a Reconstrução de Redes de Sistemas de Infraestrutura Crítica Interdependentes

Definição do Problema
Analisar o comportamento de redes interdependentes complexas, particularmente sistemas de Infraestrutura Crítica Interdependente (ICI) (ex: redes acopladas de água, energia e gás), requer conhecimento completo da topologia da rede e das interdependências. No entanto, tais dados são frequentemente indisponíveis devido a preocupações de segurança ou operações descentralizadas. Embora algumas interdependências sejam reveladas apenas após uma interrupção, os métodos existentes frequentemente dependem de suposições baseadas em modelos ou geração de dados sintéticos. Este estudo aborda o problema inverso de reconstruir a topologia desconhecida de redes ICI usando observações de falhas em cascata. O desafio reside em inferir a estrutura da rede a partir de sequências dinâmicas de falhas, contabilizando as restrições físicas e topológicas específicas inerentes aos sistemas de infraestrutura, onde os dados são frequentemente parciais e incertos.

Metodologia
Os autores propõem uma abordagem Bayesiana não paramétrica e escalável para inferir a distribuição posterior discreta da topologia da rede ($A$) dado um conjunto de observações de falhas em cascata ($C$). O núcleo da metodologia envolve:

1. Formulação Bayesiana: O problema é formulado como a estimativa de $P(A|C) \propto P(C|A)$.

   • Verossimilhança ($P(C|A)$): Modelada usando um modelo epidêmico Suscetível-Infectado (SI) para simular a propagação de falhas através dos setores de infraestrutura. A verossimilhança calcula a probabilidade de observar sequências de falhas específicas dado uma matriz de adjacência candidata.
   • Prior ($P(A)$): Modelada usando um Modelo de Blocos Estocásticos Hierárquicos (HSBM). Diferente de grafos aleatórios ou de escala livre genéricos, o HSBM captura a estrutura de blocos (diferentes setores de infraestrutura) e níveis hierárquicos (instalações de suprimento, transmissão e demanda) característicos das ICIs.

2. Amostragem via Metropolis-Hastings (M-H): Como a distribuição posterior não admite uma solução de forma fechada, os autores empregam o algoritmo de Metropolis-Hastings para amostrar possíveis topologias de rede.

   • Proposta Dependente de Infraestrutura (IP): Uma distribuição de proposta inovadora é concebida para garantir que apenas topologias que conformem às restrições físicas das ICIs sejam geradas. Isso inclui 10 restrições específicas, como garantir a conectividade de nós de suprimento a nós de demanda, evitar ciclos dentro das redes de infraestrutura e impor fluxo direcional (ex: da demanda para o suprimento para links interdependentes). Isso reduz significativamente o espaço de amostragem em comparação com propostas de caminhada aleatória.
   • Convergência: A convergência da cadeia de Markov é provada teoricamente e demonstrada numericamente.

3. Otimização Computacional: Para lidar com o crescimento exponencial de possíveis topologias em redes de grande escala, três técnicas de otimização são introduzidas:

   • Cálculo de Verossimilhança: Reduzindo a complexidade de $O(|V|^2)$ para $O(|V| + |E|)$ ao percorrer listas de arestas de vizinhanças falhadas em vez de iterar sobre todos os pares de nós.
   • Validação de Grafo: Aproveitando a estrutura tripartite das redes ICI e o Teorema 1 para validar restrições topológicas em tempo linear, verificando apenas os graus de entrada/saída dos nós modificados, em vez de realizar buscas completas de caminho.
   • Amostrador Tie-No-Tie (TNT): Substituindo a seleção aleatória de pares de nós por um amostrador que prioriza a remoção de arestas em grafos esparsos, aumentando assim a taxa de aceitação das propostas.

Principais Contribuições
O artigo apresenta duas contribuições metodológicas primárias:

1. Proposta Dependente de Infraestrutura (IP): A integração de restrições topológicas e físicas no processo de amostragem MCMC. Esta abordagem utiliza a estrutura de blocos das ICIs para calcular probabilidades a priori e reduz drasticamente o espaço de topologias candidatas, melhorando tanto a precisão da amostragem quanto o tempo de mistura (mixing time).
2. Otimização Computacional: O design de três técnicas específicas (cálculo de verossimilhança por lista de arestas, validação de grafo em tempo linear e o amostrador TNT) que permitem a reconstrução de redes de grande escala onde os métodos MCMC padrão seriam computacionalmente proibitivos.

Resultados
A abordagem proposta foi validada usando Redes de Infraestrutura Crítica Interdependente Sintéticas (SICINs) representando sistemas de água, energia e gás.

• Precisão: O método baseado em IP superou significativamente as linhas de base existentes. Em experimentos com 40 cenários de falha em cascata, o método baseado em IP alcançou um F1-score máximo de 0,964, comparado a 0,710 para uma abordagem Bayesiana sem IP e 0,712 para uma linha de base de Autoencoder de Grafo Variacional (VGAE).
• Eficiência de Dados: A abordagem Bayesiana demonstrou desempenho superior com dados limitados em comparação com métodos de incorporação de grafos (graph-embedding), que tipicamente exigem quantidades massivas de informação.
• Robustez: Análises de sensibilidade mostraram que o método baseado em IP é menos sensível a variações na razão de nós inicialmente falhados e aos níveis de ruído nos dados em comparação com métodos sem IP. Razões de falha inicial moderadas (0,2–0,4) produziram a melhor precisão de reconstrução.
• Escalabilidade: O método foi aplicado com sucesso a uma rede ICI aleatória maior de $120 \times 120$, alcançando um F1-score moderado de 0,664, demonstrando transferibilidade para sistemas maiores.
• Impacto da Otimização: Entre as configurações testadas, a combinação de IP, otimização de Lista de Arestas e amostragem TNT (Método M-1) ofereceu o melhor equilíbrio entre precisão de reconstrução e tempo computacional.

Significância e Alegações
Os autores afirmam que este trabalho constitui a primeira tentativa de desenvolver métodos de reconstrução de rede especificamente para resolver desafios de dados e incerteza em sistemas de infraestrutura interdependentes complexos. A significância do trabalho reside em sua capacidade de descobrir interdependências de rede incertas durante interrupções quando os dados completos não estão disponíveis.

O artigo sustenta que, ao reconstruir com precisão a topologia de redes ICI do mundo real, formuladores de políticas e profissionais ganham uma base mais clara para a tomada de decisões informadas em relação à mitigação de riscos e benefícios econômicos. A abordagem proposta é apresentada como uma ferramenta prática para cenários onde os dados são restritos por segurança ou descentralização operacional, oferecendo uma alternativa baseada em dados ao modelagem puramente baseada em suposições. Os autores permanecem modestos quanto a aplicações futuras, observando que, embora o estudo atual utilize o modelo SI, trabalhos futuros poderiam explorar modelos de simulação de falhas mais avançados (ex: SIR) e estruturas de rede variantes no tempo.